論文の概要: The Safety Challenges of Deep Learning in Real-World Type 1 Diabetes
Management
- arxiv url: http://arxiv.org/abs/2310.14743v1
- Date: Mon, 23 Oct 2023 09:25:50 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-24 21:07:33.862128
- Title: The Safety Challenges of Deep Learning in Real-World Type 1 Diabetes
Management
- Title(参考訳): 実世界1型糖尿病管理における深層学習の安全性の課題
- Authors: Harry Emerson, Ryan McConville and Matthew Guy
- Abstract要約: 血糖シミュレーションにより、患者に害を与えずに1型糖尿病(T1D)管理戦略を評価できる。
ディープラーニングアルゴリズムは、シミュレータ機能を拡張するための有望な道を提供する。
この研究は、現実世界のデータに基づいて訓練されたディープラーニングアルゴリズムを用いてグルコースダイナミクスをモデル化することの意味について考察する。
- 参考スコア(独自算出の注目度): 4.107887387754702
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Blood glucose simulation allows the effectiveness of type 1 diabetes (T1D)
management strategies to be evaluated without patient harm. Deep learning
algorithms provide a promising avenue for extending simulator capabilities;
however, these algorithms are limited in that they do not necessarily learn
physiologically correct glucose dynamics and can learn incorrect and
potentially dangerous relationships from confounders in training data. This is
likely to be more important in real-world scenarios, as data is not collected
under strict research protocol. This work explores the implications of using
deep learning algorithms trained on real-world data to model glucose dynamics.
Free-living data was processed from the OpenAPS Data Commons and supplemented
with patient-reported tags of challenging diabetes events, constituting one of
the most detailed real-world T1D datasets. This dataset was used to train and
evaluate state-of-the-art glucose simulators, comparing their prediction error
across safety critical scenarios and assessing the physiological
appropriateness of the learned dynamics using Shapley Additive Explanations
(SHAP). While deep learning prediction accuracy surpassed the widely-used
mathematical simulator approach, the model deteriorated in safety critical
scenarios and struggled to leverage self-reported meal and exercise
information. SHAP value analysis also indicated the model had fundamentally
confused the roles of insulin and carbohydrates, which is one of the most basic
T1D management principles. This work highlights the importance of considering
physiological appropriateness when using deep learning to model real-world
systems in T1D and healthcare more broadly, and provides recommendations for
building models that are robust to real-world data constraints.
- Abstract(参考訳): 血糖シミュレーションにより、患者に害を与えずに1型糖尿病(T1D)管理戦略を評価できる。
深層学習アルゴリズムは、シミュレータ機能を拡張する有望な手段を提供するが、これらのアルゴリズムは、必ずしも生理的に正しいグルコースダイナミクスを学習せず、訓練データにおいて共同設立者から不正確で潜在的に危険な関係を学べるという点で制限されている。
これは、厳格な研究プロトコルでデータが収集されないため、現実のシナリオではより重要である可能性が高い。
この研究は、現実世界のデータで訓練されたディープラーニングアルゴリズムを使用してグルコースのダイナミクスをモデル化することの意味を探求する。
フリーリビングデータはopenaps data commonsから処理され、患者が報告した糖尿病イベントのタグが補足され、最も詳細なt1dデータセットを構成する。
このデータセットは、最先端のブドウ糖シミュレータのトレーニングと評価、安全性クリティカルなシナリオ間での予測誤差の比較、Shapley Additive Explanations (SHAP)を用いた学習力学の生理的適切性の評価に使用された。
深層学習予測精度は、広く使われている数学シミュレーターのアプローチを上回り、安全上の重要なシナリオにおいてモデルは悪化し、自己申告された食事や運動情報を活用するのに苦労した。
SHAP値分析は、最も基本的なT1D管理原則の一つであるインスリンと炭水化物の役割を根本的に混乱させたことも示している。
本研究は,t1dと医療における実世界のシステムモデリングにディープラーニングを用いた場合の生理的適切性を検討することの重要性を強調し,実世界のデータ制約にロバストなモデルの構築を推奨する。
関連論文リスト
- MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data
Augmentation [58.93221876843639]
本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。
トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。
ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
論文 参考訳(メタデータ) (2023-10-04T01:36:30Z) - Machine Learning based prediction of Glucose Levels in Type 1 Diabetes
Patients with the use of Continuous Glucose Monitoring Data [0.0]
連続グルコースモニタリング(Continuous Glucose Monitoring, CGM)デバイスは、患者の血糖値に関する詳細な、非侵襲的でリアルタイムな洞察を提供する。
将来のグルコースレベルの予測方法としての高度な機械学習(ML)モデルを活用することで、生活改善の実質的な品質がもたらされる。
論文 参考訳(メタデータ) (2023-02-24T19:10:40Z) - Textual Data Augmentation for Patient Outcomes Prediction [67.72545656557858]
本稿では,患者の電子カルテに人工的な臨床ノートを作成するための新しいデータ拡張手法を提案する。
生成言語モデルGPT-2を微調整し、ラベル付きテキストを元のトレーニングデータで合成する。
今回,最も多い患者,すなわち30日間の寛解率について検討した。
論文 参考訳(メタデータ) (2022-11-13T01:07:23Z) - Bag of Tricks for Developing Diabetic Retinopathy Analysis Framework to
Overcome Data Scarcity [6.802798389355481]
糖尿病網膜症 (DR) 解析課題として, 病変分割, 画像品質評価, DRグレーディングについて検討した。
各タスクに対して,アンサンブル学習,データ強化,半教師付き学習を活用した堅牢な学習手法を導入する。
疑似ラベルの負の効果を低減するため,モデルの信頼度スコアに基づいて不確実な擬似ラベルを除外する信頼性の高い擬似ラベルを提案する。
論文 参考訳(メタデータ) (2022-10-18T03:25:00Z) - On the Robustness of Pretraining and Self-Supervision for a Deep
Learning-based Analysis of Diabetic Retinopathy [70.71457102672545]
糖尿病網膜症における訓練方法の違いによる影響を比較検討した。
本稿では,定量的性能,学習した特徴表現の統計,解釈可能性,画像歪みに対する頑健性など,さまざまな側面について検討する。
以上の結果から,ImageNet事前学習モデルでは,画像歪みに対する性能,一般化,堅牢性が著しく向上していることが示唆された。
論文 参考訳(メタデータ) (2021-06-25T08:32:45Z) - Deep Personalized Glucose Level Forecasting Using Attention-based
Recurrent Neural Networks [5.250950284616893]
本研究では,血糖予測の問題点について検討し,深いパーソナライズド・ソリューションを提供する。
データを解析し、重要なパターンを検出する。
実データセット上でモデルの有効性を実証的に示す。
論文 参考訳(メタデータ) (2021-06-02T01:36:53Z) - Data-driven generation of plausible tissue geometries for realistic
photoacoustic image synthesis [53.65837038435433]
光音響トモグラフィ(pat)は形態的および機能的組織特性を回復する可能性がある。
我々は,PATデータシミュレーションの新たなアプローチを提案し,これを「シミュレーションの学習」と呼ぶ。
我々は、意味的注釈付き医療画像データに基づいて訓練されたGAN(Generative Adversarial Networks)の概念を活用して、可塑性組織ジオメトリを生成する。
論文 参考訳(メタデータ) (2021-03-29T11:30:18Z) - An Optimal Control Approach to Learning in SIDARTHE Epidemic model [67.22168759751541]
本研究では,疫病データから動的コンパートメンタルモデルの時間変化パラメータを学習するための一般的な手法を提案する。
我々はイタリアとフランスの疫病の進化を予報する。
論文 参考訳(メタデータ) (2020-10-28T10:58:59Z) - Model-Based Reinforcement Learning for Type 1Diabetes Blood Glucose
Control [0.0]
本研究では,1型糖尿病患者のインスリン摂取量決定を支援するためのモデルベース強化学習について検討した。
提案アーキテクチャは、複数のEcho State Networksで構成され、計画のためのモデル予測コントローラと組み合わせて血糖値を予測する。
論文 参考訳(メタデータ) (2020-10-13T10:17:30Z) - Interpreting Deep Glucose Predictive Models for Diabetic People Using
RETAIN [4.692400531340393]
糖尿病患者における将来の血糖値予測のためのRETAINアーキテクチャについて検討した。
2段階のアテンションメカニズムのおかげで、RETAINモデルは解釈可能であり、標準的なニューラルネットワークと同じくらい効率的である。
論文 参考訳(メタデータ) (2020-09-08T13:20:15Z) - ECG-DelNet: Delineation of Ambulatory Electrocardiograms with Mixed
Quality Labeling Using Neural Networks [69.25956542388653]
ディープラーニング(DL)アルゴリズムは、学術的、産業的にも重くなっている。
セグメンテーションフレームワークにECGの検出とデライン化を組み込むことにより、低解釈タスクにDLをうまく適用できることを実証する。
このモデルは、PhyloNetのQTデータベースを使用して、105個の増幅ECG記録から訓練された。
論文 参考訳(メタデータ) (2020-05-11T16:29:12Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。